文章目录基础知识部分1.张量数据类型1.1.常用的张量数据类型1.2.张量的属性获取1.3.将其他数据类型转换为张量1.4.生成满足条件的张量1.5.对张量进行索引和切片1.6.对张量进行维度变换1.7.Broadcasting机制解析1.8.对张量的拼接和拆分1.9.张量的数学运算1.10.张量的布尔值运算1.11.张量的统计值计算1.12.where函数和gather函数2.深度学习的基础内容2.1.激活函数2.2.损失函数2.3.张量的梯度计算2.4.使用GPU加速计算2.5.测试模型时关闭梯度计算重要：使用Pytorch进行深度学习的一般步骤Torchvision部分3.Pytorch
基于pytorch简单实现u-net前言最近在看经典的卷积网络架构，打算自己尝试复现一下，在此系列文章中，会参考很多文章，有些已经忘记了出处，所以就不贴链接了，希望大家理解。完整的代码在最后。本系列必须的基础python基础知识、CNN原理知识、pytorch基础知识本系列的目的一是帮助自己巩固知识点；二是自己实现一次，可以发现很多之前的不足；三是希望可以给大家一个参考。参考资料来自b站大佬的项目库：b站链接：https://space.bilibili.com/18161609GitHub链接：https://github.com/WZMIAOMIAO/deep-learnin
目录 一、卷积层—ConvolutionLayers 1.1 1d/2d/3d卷积1.2卷积—nn.Conv2d()nn.Conv2d1.3 转置卷积—nn.ConvTransposenn.ConvTranspose2d 二、池化层—PoolingLayer（1）nn.MaxPool2d（2）nn.AvgPool2d（3）nn.MaxUnpool2d 三、线性层—LinearLayer nn.Linear 四、激活函数层—ActivateLayer（1）nn.Sigmoid （2）nn.tanh（3）nn.ReLU（4）nn.LeakyReLU（5）nn.PReLU（6）nn.RReLU前期回
ubuntu20.04配置rosnoetic和cuda，cudnn，anaconda，pytorch深度学习的环境引言1.ubuntu20.04搭建rosnoetic环境2.ubuntu20.04环境下yolov5的环境配置2.1对应的显卡驱动2.2对应的CUDA2.3对应的cudnn2.4对应的anaconda2.5对应的pytorch引言这里介绍下本篇文章的目的，为了方便自己日后在其他主机上搭建环境，也为了帮助遇到相同问题的人。本篇文章主要是解决ubuntu20.04搭建机械臂视觉抓取的环境部署问题。第一个环境了ROS环境，第二个环境是深度学习yolov5的环境。1.ubuntu20.04
cuSolver库较cuBLAS库更为高级，其能处理矩阵求逆，矩阵对角化，矩阵分解，特征值计算等问题。cuSolver库的实现是基于cuBLAS库和cuSPARSE库这两个基本库。cuSolver库的功能类似于Fortran中的LAPACK库：是LinearAlgebraPACKage的简称。以下以一个厄米矩阵的本征值（特征值）问题，代码示例cusolver.cu：#include"error.cuh"#include#include#include//必须要用的头文件intmain(void){intN=2;intN2=N*N;cuDoubleComplex*A_cpu=(cuDoubleC
显卡驱动cudacudnncondaTensorRT安装及配置如果要使用TensorRT，请注意CUDA支持的最高算力要大于等于GPU本身的算力,可以先看3小节conda和pip换源直接看2.3小节本人已在ubuntu20.04下安装成功。其他版本步骤应该差不多如果帖子有帮助，感谢一键三连，^_^部署有问题的小伙伴欢迎留言和加Q裙-472648720BEV各算法环境部署实战汇总1显卡驱动,cuda,cudnn1.1显卡驱动下载显卡算力查询禁用nouveau核显安装显卡驱动必须禁用nouveau核显，不然安装显卡驱动后会黑屏不要更新内核，更新内核后不能用apt二进制安装,安装前需要禁核显#1禁用
文章目录Anaconda安装1、进入[Anaconda官网](https://www.anaconda.com/)下载，下载完成后安装指令默认直到完成安装。2、进入AnacondaPrompt，使用conda指令来为不同的版本创建单独的环境：Pytorch安装1、打开NVIDIA控制面板，帮助-->系统信息-->组件，查看自己电脑显卡CUDA的版本号。2、进入[pytorch官网](https://pytorch.org/)，复制对应版本的安装口令（在pyt
问题描述前不久给新来的2台8张GeForceRTX3090服务器配置了深度学习环境（配置教程参考这篇文章），最近在使用的时候却遇到了各种问题。问题1：GeForceRTX3090withCUDAcapabilitysm_86isnotcompatiblewiththecurrentPyTorchinstallation.ThecurrentPyTorchinstallsupportsCUDAcapabilitiessm_37sm_50sm_60sm_70.IfyouwanttousetheGeForceRTX3090GPUwithPyTorch,pleasechecktheinstructio
Linux搭建深度学习环境以Ubuntu为例，从零搭建Pytorch框架深度学习环境。1、Ubuntu安装1.1系统下载访问地址ubuntu官网1.2启动盘制作访问ultraiso官网1.2.1打开镜像1.2.2写入镜像1.3磁盘分区1.3.1Windows磁盘管理对要压缩的卷右键，选择压缩卷压缩出的可用空间不要进行分区，等待ubuntu系统操作1.3.2分区助手或DG拆分现有空间，注意不要对分出来的空间进行分区，比较简单就不写啦！1.4查看磁盘格式打开磁盘管理，在硬盘上右键，查看卷MBR:GPT:1.5U盘启动Windows重启时，按住shift键，重启后选择U盘设备启动1.6安装过程1.6
报错信息如下：CMakeError:Thefollowingvariablesareusedinthisproject,buttheyaresettoNOTFOUND.PleasesetthemormakesuretheyaresetandtestedcorrectlyintheCMakefiles:CUDA_nppicom_LIBRARY(ADVANCED) linkedbytarget"opencv_cudev"indirectory/workspace/software/opencv_contrib-4.1.0/modules/cudev linkedbytarget"opencv_
